我想从巨大的pdf文件[50MB]中提取所有关键字？ 哪个模块适合解析大型pdf文件？ 我关心内存解析巨大的文件＆amp;提取几乎所有的关键字！ 在这里，我想要SAX类解析[one go parsing]＆amp;不是DOM类[类似于XML]。
答案 0 :(得分：1)
要从PDF中读取文本，我们使用CAM::PDF，它工作得很好。它在一些较大的文件上速度不是很快，但处理大文件的能力并不差。我们当然有一些~100Mb，并且处理好了。如果我记得，我们在32位（Windows）Perl上使用了130Mb的一些，但我们当时在内存中还有很多其他内容。我们确实看过PDF::API2，但它似乎更倾向于生成从中读取的PDF。我们没有把大文件扔进PDF::API2，所以我不能给出真正的基准数字。
我们使用CAM::PDF发现的唯一重大缺点是PDF 1.6变得越来越普遍，而且在CAM :: PDF中根本不起作用。这对您来说可能不是问题，但可能需要考虑。
在回答你的问题时，我很确定这两个模块都以一种或另一种形式将整个源PDF读入内存，但我不认为CAM::PDF构建了更复杂的结构。因此，两者都不像SAX一样，但CAM::PDF似乎总体上更轻，并且可以一次检索一页，因此可以减少提取非常大的文本的负担。